Améliorer la qualité du modèle avec l'analyse de modèle TensorFlow

Introduction

Lorsque vous modifiez votre modèle pendant le développement, vous devez vérifier si vos modifications améliorent votre modèle. Vérifier simplement l’exactitude n’est peut-être pas suffisant. Par exemple, si vous disposez d'un classificateur pour un problème dans lequel 95 % de vos instances sont positives, vous pourrez peut-être améliorer la précision en prédisant simplement toujours ce qui est positif, mais vous n'aurez pas un classificateur très robuste.

Aperçu

L'objectif de TensorFlow Model Analysis est de fournir un mécanisme d'évaluation de modèle dans TFX. TensorFlow Model Analysis vous permet d'effectuer des évaluations de modèles dans le pipeline TFX et d'afficher les métriques et les tracés résultants dans un notebook Jupyter. Concrètement, il peut fournir :

  • Métriques calculées sur l'ensemble des données de formation et d'exclusion, ainsi que sur les évaluations du jour suivant
  • Suivi des métriques au fil du temps
  • Performances de qualité du modèle sur différentes tranches de fonctionnalités
  • Validation du modèle pour garantir que ce modèle maintient des performances constantes

Prochaines étapes

Essayez notre tutoriel TFMA .

Consultez notre page github pour plus de détails sur les métriques et les tracés pris en charge ainsi que les visualisations de notebook associées.

Consultez les guides d’installation et de démarrage pour obtenir des informations et des exemples sur la façon de configurer un pipeline autonome. Rappelez-vous que TFMA est également utilisé dans le composant Evaluator de TFX, ces ressources seront donc également utiles pour démarrer dans TFX.